卷积自动编码器模型用于搜索相似天气图的深度学习研究

可在www.sciencedirect.com上在线获取ScienceDirectICTExpress 9（2023）69www.elsevier.com/locate/icte使用卷积自动编码器和卫星图像搜索相似的天气图Heewoong Ahna，1，Sunhwa Leeb，1，Hanseok Koa，Meeje-Kimc，Sung Won Hanb，2，Junhee Seoka，2，2016a韩国首尔Anam-dong高丽大学电气工程系，邮编136-713b韩国首尔Anam-dong高丽大学工业管理工程系，邮编136-713c韩国首尔Anam-dong高丽大学信息和通信技术研究所，邮编136-713。接收日期：2021年8月31日;接收日期：2022年1月30日;接受日期：2022年3月25日2022年4月1日上线摘要天气预报员通过分析卫星生成的当前天气图图像来预测天气。在这个分析过程中，预报的准确性在很大程度上取决于预报员的经验，这需要从过去为了帮助预报员获得经验数据并分析当前天气状况，本文提出了一种卷积自动编码器模型，通过提取每个天气图的潜在特征来查找与当前天气图相似的过去天气图。形象为了测量每对图像之间的相似性，使用了包括均方误差和结构相似性在内的度量，并进行了搜索相似卫星图像的案例研究和可视化。本文还表明，搜索相似的天气图可以是有用的指导，所有的预报员在分析和预测天气。© 2022作者（S）。由爱思唯尔公司出版代表韩国通信和信息科学研究所这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。关键词：深度学习;天气图检索;卷积自动编码器;无监督学习1. 介绍天气对环境和人类活动有着直接的影响[1]，与各种工业密切相关[2季节性或每日天气变化决定作物产量，可能导致作物价格波动[7]。暴雨通过限制交通和人类活动，给配送和服务行业带来额外成本[8]。准确的天气预报不仅在气象领域，而且在大多数行业，因为天气是这些行业决策的主要因素[9]。世界上所有的天气预报员每天都要报告几次第二天的天气。他们分析几个天气因素，如气压，湿度和温度在一定的地区。这些天气因素可以观察到，共同通讯作者。电子邮件地址：swhan@korea.ac.kr（S.W. Han），jseok14@korea.ac.kr（J.Seok）。1 两位作者对这项工作的贡献相等2 两个相应的作者同样有助于这项工作。同行审议由韩国通信研究所负责教育与信息科学（KICS）。https://doi.org/10.1016/j.icte.2022.03.013由太空中的卫星计算或由地面上的气象站测量。在这两个来源的天气因素中，来自卫星的数据用于预测更广泛地区的整体天气气象预报员分析卫星观测和记录的每个气压的位势高度场和温度场，大多数气象计算是由大量的计算资源来执行的，但最终的天气预报是由预报员分析计算和生成的数据来建立的。由于这项任务每天要执行多次，因此预测的准确性取决于预测人员的经验[10]。因此，如果我们发现过去的天气图与当前的天气图相似，它可以帮助预报员有效地分析图像。在这项研究中，我们集中在搜索类似的过去的天气图在东亚地区为中心的朝鲜半岛。由于朝鲜半岛东部受亚洲大陆和西部受太平洋的影响，温度和湿度的波动取决于大气压。因此，我们使用重力位2405-9595/© 2022作者。 由Elsevier B.V.代表韩国通信和信息科学研究所出版。这是一CC BY-NC-ND许可下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。H. Ahn，S.Lee，H.Ko等ICT Express 9（2023）6970图1.一、 卷积自动编码器模型的结构。高度场图像和温度场图像由几个气压水平从卫星上观测。如果我们发现过去的天气图的高度场和温度场的结构分布相似，预报员可以参考这些过去的天气资料进行分析。2. 相关作品2.1. 搜索相似的天气图为了提高预报员的分析能力，人们进行了几次相似天气图搜索的研究，选择一种合适的从卫星图像中提取模式的方法对相似天气图的搜索至关重要。Kim等人。[11]将卫星图像扁平化为向量，并使用主成分分析降低向量的维数。通过比较卫星图像主成分向量间的距离和原始卫星图像像素值间的距离来搜索相似的天气图。Oh等人[12]使用卷积神经网络（CNN）[13]提取卫星图像的样本。图像的潜在特征由CNN模型生成，该模型经过预先训练用于面部验证[14]。深度学习中的CNN是处理图像数据的最强大方法。神经网络中每层的过滤器通过捕获简单模式和组装更复杂的模式来学习图像中的分层模式[15更复杂的模型已经从CNN中衍生出来，谷歌提出了Inception模型[19]，该模型在2014年赢得了ImageNet大规模视觉识别竞赛（ILSVRC）。Inception通过在每层堆叠几个过滤器来解决神经网络层[20，21]。M Tan和Q Le提出了EfficientNet [22]，以在有限的计算资源内有效地优化基于CNN的深度网络模型。EfficientNet通过仔细平衡的方法扩展了模型的深度，宽度和分辨率的所有维度，在CIFAR-100数据集上实现了高效率和最先进的准确性。使用EfficientNet降低维度的潜在向量也广泛用于微调以提高模型的性能。Jonathan Masci等人在2011年提出了一种卷积自动编码器（CAE）[23]，通过无监督学习来提取特征。该模型使用相同的输入和输出数据，并学习降低图像的维数和重建输入图像。从这些基于CNN的模型中提取的特征使得解决大多数复杂的图像问题变得更容易[24]。(See 图 1.）的人。2.2. 测量相似性在搜索相似的天气图之后，需要度量图像之间的实际相似性的指标。图像的相似性可以通过每个图像中像素的均方误差（MSE）来度量。MSE是大多数研究中测量性能的典型和通用选项。然而，它关注的是两个图像的相同程度，而不是它们的相似程度，这可能会估计形状相似但尺度不同的两个图像之间的高MSE[25]。余弦相似性可以用来度量两个向量之间的相似性。图像矢量化后，归一化矢量的方向差异可以用来度量相似之处余弦相似度是一个简单但功能强大的工具，用于测量文本或任何其他多维数据之间的相似性。如果我们将图像转换为潜在特征向量，余弦相似性可以作为评估相似性的度量[26，27]。Zhou Wang提出了结构相似度（SSIM）来衡量图像的相似性[28]。在这项工作中，他们采用了亮度掩蔽项和对比度掩蔽项，每个项都考虑到图像失真在图像中的不同亮度和不同纹理中变化的概念[29该文件提供了一个一般的背景下，评估感知质量的措施，并发现在图像处理领域的强采用。SSIM可以作为一个合适的度量，通过比较卫星图像的气压分布来在高压系统中，靠近地面的空气向下流动并离开，而在低压系统中，空气向上流动并聚集在一起这样的气流对天气影响很大，所以要捕捉到相对的差异在大气压力下。在本研究中，我们采用CAE来提取所有图像的特征，并计算这些向量化特征之间的相似度，以快速有效地搜索相似的天气图。然后，我们验证了CAE的性能，如MSE，余弦相似性，和SSIM，相比，基于Inception和EfficientNet模型的模型。3. 材料和方法3.1. 卫星天气图用于学习的卫星图像类型是ERA- Interim，这是欧洲中期天气预报中心（ECMWF）产生的最新全球大气再分析数据[34，35]。所有图像均选自以朝鲜半岛为中心的东亚地区，由韩国气象局（KMA）提供。该区域的范围是经度107.604至159.149，纬度17.400至159.149 53.502。图像的大小为95乘95，所有像素都以二进制格式记录，每隔100 hPa记录一次位势高度（以米为单位）和温度（以摄氏度为单位），从1000 hPa到100 hPa大气压。用于学习的数据周期是从1979年1月1日到12月31日的00、06、12、18UTC2015年（见表1）。H. Ahn，S.Lee，H.Ko等ICT Express 9（2023）6971∼∼XyXnyC）（22+C），其中，x和y的平均值，表1数据规格。内容详细信息东亚（以朝鲜半岛为中心）期间1979年1月1日2015年12月31日时间间隔00 06 12 18 UTC压力水平1000 hPa 100 hPa，间隔100 hPa图像大小95 x 95像素地图参数3.2. 深度学习方法对 于 深 度 学 习 方 法 ， 使 用 了 卷 积 自 动 编 码 器（CAE）。CAE的隐层在完整的Encoder下进行特征提取。过滤器的数量四个编码层中的每一个的滤波器的数量是5，滤波器掩码的大小是3乘3，并且滤波器步幅是2，这是 通过 最小 化测 试 误差 来确 定的 。 使用Python 3.5，Tensorflow 1.8和GTX 1080ti for GPUCAE将每个图像简化为具有180个参数的特征向量，我们将80个向量连接起来，以计算一天内整个特征向量的欧氏距离（见图10）。 2）的情况。Inception-v1和EfficientNet-b 0的预训练模型与CAE进行了比较。两个预先训练的模型都将每个图像简化为具有1024个参数的向量3.3. 验证度量为了测量两个图像之间的相似性，我们使用了以下四个度量。字符x表示要比较的天气图，y表示检索到的与x天气图相似的天气图。我们计算均方误差（MSE）来比较天气图之间均方误差图二、 构建一天的特征向量。图三. 生成10组随机地面实况图像和来自测试样本的重建图像（特别是900 hPa的位势高度）卷积自动编码器模型。当整体像素值不同而空气流相似时，这是有用的。余弦相似度=x· y/x·y（3）SSI M=2（µxµy+C1）（2σxy+C2）/（µ2+µ2+1σ σ2µxµyσx，σyx和y的方差，σxyx和y的协方差，C1 =（k1L）2，C2 =（k2L）2，L=2 比特 每 像素-1，每个像素的误差如下：MSE=1∑（xi−yi）2（1）k1= 0。01，k2= 0. 03.（四）ni=1其 中 xi 和 yi 是 天 气 图 的 像 素 的 值 。MSE 的 根 的 MSE（RMSE）也用于比较神经网络模型提取的潜在特征向量之间的相似性。与MSE相似，还计算了相对误差（RE为了比较由平均值缩放的相对相似性，天气图XRE可以确定两个图像之间的直观差异，特别是当我们同时调查地球位势高度和温度域时。4. 结果每个位势高度和温度资料由10幅1000 ~ 100 hPa的气压图象组成，每幅图象间隔100 hPa。对于每一天，我们使用来自四个时区的数据：UTC 00，06，12，18。也就是说，总共提取了80个特征向量，其中10倍的高度场和温度场用于每天00、06、12和18 UTC的4个时区。用于学习特征向量的时期是从1979年到2015年，提取2016年的图像作为特征向量，并与日期进行比较在所有其他年份中。RE= ∑|x i− y i|/∑x i（2）计算诸如余弦相似性和结构相似性（SSIM）的空间误差的方法可以确定二维分量的相似性。这些错误可能是在这项研究中，由于特征向量的比较，而不是直接比i=1i=14.1. 卷积自动编码器H. Ahn，S.Lee，H.Ko等ICT Express 9（2023）6972较图像，它是假设，H. Ahn，S.Lee，H.Ko等ICT Express 9（2023）6973∼见图4。CAE模型搜索到的与2016年00 UTC 2016年10月30日相似的前10天天气图。仅考虑地球位势高度作为示例对日期列表进行排名。见图6。 天气地图图像的前10天，是类似的与飓风30，2016 00UTCsearched by EfficientNet-b0 model.仅考虑地球位势高度作为示例对日期列表进行排名。表2CAE模型培训的结果。训练集测试集期间（年）1979 2015 2016修正RMSE 0.001 0.043测试集低于5%，确认特征向量可用于搜索相似地图（见表2）。4.2. 与预训练CNN模型的图五. 天气地图图像的前10天，是类似的与飓风30，2016 00 UTC由Inception-v1模型搜索。仅考虑地球位势高度作为示例对日期列表进行排名。利用特征向量的相似性，可以从压缩后的特征向量中重构出原始图像，以显示图像之间的相似性。为此，我们将重建的天气图与测试集中的原始天气图进行了比较，10个随机选择的日期如图3所示。计算修正的RMSE以显示原始图像和恢复图像之间的差异，并且修正的RMSE是两个图像之间的RMSE除以原始图像中的像素的平均值。低气压地区的天气图往往具有单调的模式，这可能不足以确认重建是否成功。为了更准确地验证，我们使用了一组900 hPa的天气图，这刚好低于地表的最低气压的修正RMSE为了比较从CAE中提取的相似性度量，我们使用了从传统的基于CNN的网络Inception-v1和Efficient-b 0模型中提取的特征向量。Incep- tion和EfficientNet模型提取所有天气图的特征向量，使用预先训练的参数对图像进行分类，并将它们进行比较以找到相似的地图。对于所有日期，我们使用CAE和预训练模型提取潜在特征向量，并通过查找与特定日期的特征向量最接近的欧几里得距离的特征向量来列出相似的日期。计算所有四个指标以测量测试集中每个模型的性能。测试集范围为2016年2月1日至2016年11月30日（304天）。对于测试集中的每一天，我们列出了前10个相似的日期，并计算了四个指标得分。然后，我们根据每天的指标对所有304个中位数得分进行平均。结果示于表3中。对于cos相似性和结构相似性，得分越高，模型的性能越好。为了直观地显示这两个指标的结果，更好的性能，我们修改两个分数如下：（修改后的度量分数）=1-（度量分数）（5）从图 4至6显示H100至H1000的10个图像当2016年10月31日为参考日期时，使用CAE、Inception和EfficientNet检索的每个日期的00 UTCH. Ahn，S.Lee，H.Ko等ICT Express 9（2023）6974表3CAE、Inception和EfficientNet模型验证的四个指标初始1686.71 0.006745 4.2e−5 4.5e−5EfficientNet 1621.83 0.006702 3.8e−5 4.3e−5表5年平均值、标准差以及风速（m/s）和风向（rad）的计算距离。天气状况平均标准距离风速1.892 0.15210.0478风向2.231 0.46330.1820表4按图像类型划分的类似天气图列表的相对误差（RE），在搜索类似的天气图时使用模型REREHRETCAE0.0063190.0063190.157968成立0.0067450.0067450.159041EfficientNet0.0067020.0067020.158724如每个图的图像所示。4和6，均为CAE预训练的模型显示出与前10名天气图的高度相似性。如示例搜索结果所示，两种方法的日期列表几乎相同，但确认CAE更准确，如表3所示，考虑到所有MSE、SSIM、余弦平均相似性CAE和两个预训练模型的性能可以被认为可以很好地搜索相似的天气模式，而CAE表现出最好的性能。考虑到原始图像的值的范围，每个模型的像素相对误差（RE）显著较低，其在CAE中为0.006319，在Inception模型中为0.006745，在EffientNet模型中为0.006702，如表3所示。在计算每个模型的RE得分时使用了位势高度图像，因为位势图像被认为对搜索实际行业中的总体相似天气图像贡献更大。为了确定位势高度和气压图像贡献的差异，我们搜索了测试期间（2016年2月1日至2016年11月30日）每个日期的前10天的另外两个列表，分别通过仅考虑位势高度图像和仅考虑温度图像进行搜索。然后，我们计算每个结果的相对误差（分别为地球位势高度的REH和温度的RET），与表3中计算相对误差的方法类似。如表4所示，当搜索仅考虑温度图像的类似天气图时，RET要高得多。两种模式的REH值与RE值相同，表明在比较一天中各相似图像集CAE的表现优于EfficientNet，后者通常提供在几个竞争性问题中的领先表现。尽管EfficientNet在复杂的优化中进行了训练，并有效地从大多数图像数据集中提取了潜在特征，但CAE经过训练，可以完全重建输入图像。年龄这些用于重建图像的向量似乎在比来自复杂模型的预训练向量少得多的参数内从图像中提取更精确的潜在特征。为了向预测者展示搜索相似地图的好处，我们量化了实际每个搜索到的相似日期的天气状况和参考日期的天气状况。对于天气状况，选择风速和风向，因为风本身与代表气压的卫星图像有很高的相关性。计算了各日期对（参考日和相似日）的风速和风向相似度并将所有参考日期的相似性进行平均。将最终平均值与所有样品的标准偏差进行比较。风速的相似距离定义为两个风速的均方根误差，风向的相似距离定义为两个风向角之间的平均差。如表5所示，相似日期对的风速和风向距离均小于标准差，分别为标准差的31.42%和39.28%。结果表明，参考日与检索日实际气象要素的相似性与卫星图像本身的相似性密切相关。因此，预报员可以直接访问气象相关日期的卫星图像，并在天气分析程序中利用过去的数据，这需要在决策过程中进行经验推理。5. 讨论通过使用卷积自动编码器、Inception和EfficientNet模型比较天气图的两个潜在向量，我们可以搜索每天相似的天气图。搜索的天气图也显示出高相似性的几个指标来衡量两个图像的相似性。基于卷积神经网络的模型考虑到相对误差小和REH和RET之间的差异，似乎可以捕获天气图的图像特征。在测试期间，REH的测量结果与RE相同，这意味着在搜索过程中，与位势高度图像相比，温度图像图不被视为主要因素。如图1A和1B中的样本图像所示。图4至图6中，在气压为1000的情况下，位势高度图像比温度图像更复杂。在人工搜索相似图像时，位势高度通常被认为是一个主要的因素，实验结果也显示了气象学上的对应结果，表明本文的搜索方法可以帮助天气预报人员搜索参考日的相似图像。6. 结论为了帮助天气预报员进行天气预报，应用深度学习方法来查找过去的天气图，模型MSERE因为相似性 *SSIM*CAE1459.680.0063191.6 e− 53.4 e− 5H. Ahn，S.Lee，H.Ko等ICT Express 9（2023）6975与当前天气图的关系。使用卷积自动编码器和预先训练的卷积神经网络模型将卫星图像转换为低维向量。通过比较每个日期的特征向量使用几种度量标准对检索日期的卫星图像与参考日期的卫星图像的相似性进行了测量。结果表明，CAE提取的特征适合于搜索，因为它表现出更好的性能比以前学习的模型为现有的图像分类。即使使用若干度量作为验证相似性的手段，相似性最终可以根据个人的主观判断而变化，并且图像相似性不一定指示气象相似性。为了说明相似卫星图像检索与气象相似日期检索的关系，计算了各日期风速、风向本研究介绍一种卷积神经网络方法，以提供气象相关的日期列表给天气预报员。使用人工智能模型搜索相似的卫星图像可以帮助预报员有效地访问记录，并对当前天气进行更经验和更精确的分析。CRediT作者贡献声明Heewoong Ahn：方法论，调查，软件，形式分析，写作-原始草稿。李善华：方法论，调查，软件，形式分析，写作-原始草稿. 高汉锡：监督，项目管理，写作Meejejung Kim ： 监 督 、 验 证 。 Sung Won Han ：Supervision ， Conceptualization ， Validation. 石 俊 熙 ： 监督，概念化，验证，写作竞合利益作者声明，他们没有已知的可能影响本文所报告工作的竞争性经济利益或个人关系。致谢这项研究得到了韩国国家研究基金会（NRF-2022 R1A2 C2004003）和韩国气象局（Q171471）的资助。我们感谢KMA对这项研究的帮助和提供ECMWF数据集。引用[1] E.J. Timmermans， S. van der Pas， E.M.Dennison ，S.马吉 河Peter，M.V. Castell，天气条件对患有和不患有骨关节炎的老年人户外体力活动在6个欧洲国家，J. Phys. ActivityHealth 13（12）（2016）1385-1395。[2] S.A. Changnon，D.昌农急诊室 Fosse，D.C. Hoganson，R.J. RothSr，J.M.最近极端天气对保险业的影响：对大气科学的主要影响。Am. 陨石。Soc. 78（3）（1997）425[3] M.D.阿格纽，J.E. Thornes，英国食品零售和分销行业的天气敏感性，气象学。Appl. 2（2）（1995）137[4] D.E. Hancher，H.A.陈建民，高温天气对建筑业劳动生产率及成本的影响，工程造价，1998，第40卷，第4期，第32页。[5] D.M.天气对电网系统的影响及其可靠性 电力供应，Clim.变更121（1）（2013）103[6] D.斯科特角Lemieux，旅游天气和气候信息，Procedia Environ。Sci.1（2010）146-183。[7] J.F.汤普森，R.G.穆特斯，天气和水稻收获时水分对加州中粒水稻碾磨品质的影响，Trans. ASABE 49（2）（2006）435-440。[8] W.B. Beckwith ， 天 气 对 当 今 航 空 运 输 运 营 和 经 济 的 影 响 ，Bull.Am。陨石。Soc. 52（9）（1971）863[9] L.B. Lave ， The Value of Better Weather Information to theRaisinIndustry，Econometrica 31（1-2）（1963）151-164.[10] A.H.墨菲，什么是好的预测？天气预报中的善的本质，天气预报。8（2）（1993）281-293。[11] Kim等人，使用主成分分析和图像模式匹配搜索相似的天气图，韩国气象。Soc. （2012）62-63页。[12] 哦 ， 等 等 ， Searching past weather maps of East Asia usingdeeplearning，Proc. Korean Meteorol.（2017）741-742.[13] A.克里热夫斯基岛Sutskever，G.E. Hinton，使用深度卷积神经网络的Imagenet分类，在：神经信息处理系统的进展，2012年，pp.1097-1105[14] 孙毅，王晓刚，唐晓鸥，从预测10，000类中进行深度学习人脸表示，在：IEEE计算机视觉和模式识别会议论文集，2014年，pp.1891-1898年。[15] S.劳伦斯，C.L. Giles，A.C. Tendy，A.D. Back，Face recognition：Aconvolutional neural network approach，IEEE Trans. Neural Netw. 8（1）（1997）98-113。[16] N. Kalchbrenner ， E. Grefenstette ， P. Blunsom ， A convolutionalneural network for modeling sentences，2014，arXiv preprint arXiv：1404。2188.[17] Y. Jia、黄毛菊E. Shelhamer，J. Donahue，S. Karayev，J. Long，R.Girshick ， T. Darrell ， Caffe ： Convolutional architecture for fastfeature embedding，in：Proceedings of the 22nd ACM InternationalConference onMultimedia，ACM，2014，pp. 675-678[18] Y. Chen，H.江角，澳-地Li，X. Jia，P. Ghamisi，基于卷积神经网络的高光谱图像深度特征提取和分类，IEEE Trans. Geosci。远程传感器54（10）（2016）6232-6251。[19] C. Szegedy，W. Liu，Y. Jia，P. Sermanet，S. Reed，D. Anguelov，深入卷积，在：IEEE计算机视觉和模式识别会议论文集，2015年，pp。一比九[20] C.作者：王志华，王志华，王志华.作者：J. Wojna，Rethinkingtheinception architecture for computer vision ， in ： Proceedings oftheIEEE Conference on Computer Vision and Pattern Recognition ，2016，pp. 2818-2826[21] C.塞格迪，S。Ioffe，V. Vanhoucke，A. A. Alemi，Inception-v4，Inception-Resnet和剩余连接对学习的影响，2017年第31届AAAI人工智能会议[22] TAN ， Mingxing; LE ， Quoc. Efficientnet ： Rethinking modelscalingforconvolutionalneuralnetworks ， in ： InternationalConference onMachine Learning，PMLR，2019，pp. 6105-6114[23] J. Masci ， U. Meier ， D. Cires Schmidhuber ， J. Schmidhuber ，Stackedconvolutionalauto-encodersforhierarchicalfeatureextraction ， in ： InternationalConferenceonArtificialNeuralNetworks，Springer，Berlin，Heidelberg，2011，pp. 52比59H. Ahn，S.Lee，H.Ko等ICT Express 9（2023）6976[24] O.E. David，N.S. Netanyahu，Deeppainter：使用深度卷积自动编码器的画家分类，在：人工神经网络国际会议，Springer，Cham，2016年，第100页。20比28[25] B. Girod，均方误差有什么不好？数字。人类视觉图像（1993）207-220。[26] M.S. Charikar，来自舍入算法的相似性估计技术，在：第三十四届年度ACM计算理论研讨会论文集，ACM，2002年，pp. 380-388[27] H.V. Nguyen ， L. Bai ， Cosine similarity metric learning forfaceverification ， in ： Asian Conference on Computer Vision ，Springer，Berlin，Heidelberg，2010，pp. 709-720[28] Z. Wang，A.C. Bovik，H.R. Sheikh，E.P. Simoncelli，图像质量评估：从错误可见性到结构相似性，IEEE Trans. 图像处理。13（4）（2004）600-612。[29] P.C.张志文，视觉影像失真之研究，国立成功大学光学工程研究所硕士论文，1994年，页。127比142[30] Z. Wang，A.C.博维克湖为什么图像质量评估这么难？载于：ICASSP，第4卷，2002年，第100页。3313-3316[31] A.M. Eskicioglu，P.S. Fisher，S.Y.陈，图像质量测量及其性能，1994。[32] I. 阿夫西巴斯湾 桑库尔湾 Sayood，统计评价的图像质量测量，J. Electron. Imaging 11（2）（2002）206-223。[33] H.R. Sheikh，A.C.陈志荣，图像信息与视觉质量，2004年IEEE国际声学、语音和信号处理会议，第3卷，IEEE，2004年，第101 - 107页。iii-709。[34] D.P. 迪伊 S.M. 乌派拉， A.J. 西蒙斯 P. 贝里斯福德 P.Poli，S.小林，ERA中期再分析：资料同化系统的配置和性能，Q。J. R.陨石。Soc. 137（656）（2011）553-597。[35] P. Berrisford，D.P.K.F. Dee，K.菲尔丁，M. Fuentes，P. Kallberg，S. 小林山Uppala，ERA-临时档案，ERA报告系列，（1）2009，pp。1-16号。